Deeply-recursive ConvNet
Aucune estimation
Aucune exigence matérielle pour ce modèle
Les poids de ce modèle n'ont pas été publiés, donc il ne peut pas être téléchargé ou exécuté sur votre propre matériel à aucune taille. Il n'est accessible que par l'intermédiaire de son fournisseur, et aucun changement de carte graphique ne modifie cela..
Enregistrement
Spécifications complètes
Tout est enregistré pour ce modèle. La plupart décrit comment il a été entraîné plutôt que comment il fonctionne — un contexte utile pour juger combien de travail a été investi, et comment il se compare avec des modèles construits à une échelle différente..
Origine
Qui a construit ce modèle, où, et quand il a été publié.
- Organisation
- Seoul National University
- Type d'organisation
- Academia
- Pays
- Korea (Republic of)
- Publié
- 11 November 2016
- Auteurs
- Jiwon Kim, Jung Kwon Lee, Kyoung Mu Lee
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Vision, Image generation
- Tâche
- Image super-resolution
Taille
Quelle est la taille du modèle et combien de données il a été formé. Les paramètres sont le chiffre qui décide s'il convient à une carte graphique donnée.
- Données d'entraînement
- tokens
Comment il est classé
Étiquettes que le ensemble de données source applique lors du suivi de modèles notables, et à quel point il est confiant dans l'entrée.
- Confiance d'enregistrement
- Unknown
- Citations
- 2,744
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Deeply-Recursive Convolutional Network for Image Super-Resolution
- Dernière mise à jour
- 25 May 2026
Ce que les chiffres signifient
Contexte
Deeply-recursive ConvNet a été publié par Seoul National University, dans le pays enregistré comme Korea (Republic of), durant November 2016. Cela provient d'une organisation classée comme academia.
Il fonctionne dans le domaine de Vision, Image generation, et est enregistré comme exécutant la tâche de image super-resolution.
Parce que les poids ne sont pas disponibles, aucune des spécifications matérielles ailleurs sur ce site ne s'applique à cela.
Réponses
Deeply-recursive ConvNet — questions courantes
Deeply-recursive ConvNet— combien de paramètres cela a-t-il ?
Aucun nombre de paramètres n'a été publié pour cela, c'est pourquoi aucun chiffre de mémoire ou de vitesse n'apparaît sur cette page.
Deeply-recursive ConvNet— qui l'a créé ?
Il a été publié par Seoul National University, basé sur Korea (Republic of), une organisation catégorisée comme academia.
Deeply-recursive ConvNet— quand a-t-il été publié ?
Il a été publié dans November 2016. La capacité par paramètre s'est considérablement améliorée depuis, donc un modèle plus récent de la même taille est souvent le meilleur usage du même matériel.
Deeply-recursive ConvNet— à quoi ça sert ?
Il fonctionne dans le domaine de Vision, Image generation, et est enregistré comme gérant la tâche de image super-resolution. Un modèle peut porter plusieurs de chacun, donc ce sont les domaines pour lesquels il a été conçu plutôt qu'une limite sur ce qu'il tentera.
Deeply-recursive ConvNet— Quelle GPU ai-je besoin pour l'exécuter ?
Aucun. C'est un modèle fermé - ses poids n'ont jamais été publiés, il ne peut donc pas être téléchargé ou exécuté sur votre propre matériel à aucun prix. Il n'est accessible que par son fournisseur.
Deeply-recursive ConvNet— est-ce que c'est open source ?
La licence n'a jamais été enregistrée dans nos données source. Nous considérons une licence non déclarée comme fermée, car une licence non enregistrée n'est pas une licence sur laquelle compter.
L'autre direction
Regardez-le de l'autre côté ?
Cette page commence par le modèle. Si vous possédez déjà une carte et souhaitez savoir tout ce qu'elle exécutera., commencez par le matériel à la place.